Python 为什么有时候CNN的模型只能预测所有其他类别中的一个？

我对深度学习领域还比较陌生，所以请不要像Reddit那样刻薄！这似乎是一个一般性的问题，所以我不会在这里给出我的代码，因为它似乎没有必要（如果有，这里是到的链接）

关于数据：您可以找到原始数据。它是原始数据集82 GB的缩小版

一旦我对CNN进行了这方面的培训，它每次都能预测“无糖尿病视网膜病变”（无DR），准确率为73%。这是因为大量无DR图像还是其他原因？我不知道！我预测的5类是

[“轻度”、“中度”、“无DR”、“增殖性DR”、“重度”]

---

这可能只是一段糟糕的代码，希望你们能帮上忙

我正要发表评论：

更严格的方法是开始测量数据集的平衡：每个类有多少个图像？这可能会回答你的问题

但是我忍不住看了看你给我的链接。Kaggle已经为您提供了数据集的概述：

快速计算：

25812/35126*100=73%

。这很有趣，你说你的准确率是

74%

。您的模型是在一个不平衡的数据集上学习的，第一个类被过度表示，

25k/35k

是巨大的。我的假设是，你的模型不断预测第一类，这意味着平均而言，你最终的准确率将达到

74%

---

您应该做的是平衡数据集。例如，仅允许第一个类中的示例在一个历元期间出现。更好的是，在所有类中平衡数据集，这样每个类在每个历元中只出现n次。

我正要评论：

更严格的方法是开始测量数据集的平衡：每个类有多少个图像？这可能会回答你的问题

但是我忍不住看了看你给我的链接。Kaggle已经为您提供了数据集的概述：

快速计算：

25812/35126*100=73%

。这很有趣，你说你的准确率是

74%

。您的模型是在一个不平衡的数据集上学习的，第一个类被过度表示，

25k/35k

是巨大的。我的假设是，你的模型不断预测第一类，这意味着平均而言，你最终的准确率将达到

74%

---

您应该做的是平衡数据集。例如，仅允许第一个类中的示例在一个历元期间出现。更好的是，在所有类上平衡数据集，这样每个类在每个历元中只出现n次。

正如Ivan已经指出的，您有一个类不平衡问题。这可以通过以下方式解决：

在线硬负挖掘：在计算损失后的每次迭代中，您可以对批次中属于“no DR”类的所有元素进行排序，并只保留最差的

k

。然后，仅使用这些较差的k来估计梯度，并丢弃所有剩余的。
参见，例如：
Abhinav Shrivastava、Abhinav Gupta和Ross Girshick（CVPR 2016）

对“普通”交叉熵损失的修改可用于解决类不平衡问题

---

---

相关帖子和。

正如Ivan已经指出的，你有一个班级不平衡的问题。这可以通过以下方式解决：

在线硬负挖掘：在计算损失后的每次迭代中，您可以对批次中属于“no DR”类的所有元素进行排序，并只保留最差的

k

。然后，仅使用这些较差的k来估计梯度，并丢弃所有剩余的。
参见，例如：
Abhinav Shrivastava、Abhinav Gupta和Ross Girshick（CVPR 2016）

对“普通”交叉熵损失的修改可用于解决类不平衡问题

---

---

相关帖子和。

您可以删除培训中的一些无DR图像，并测试您的理论！我确实试过这么做！虽然准确率下降到35%，不到一半，但该模型至少预测了其他类别，我不介意在6层CNN上的准确率如此之低；）您可以在培训中删除一些无DR图像，并测试您的理论！我确实试过这么做！虽然准确率下降到35%，不到一半，但该模型至少预测了其他类别，我不介意在6层CNN上的准确率如此之低；）我试过这样做，我想我也可以在其他类中制作图像的旋转/翻转副本，以这种方式扩展数据集，你认为这些会起作用吗？这将被视为数据扩充，因此我认为它不会平衡这一差距。增强图像并不完全是新图像。从这个意义上说，我认为第一个类仍然会因为其内容的多样性而胜过其他类。我尝试过这样做，我想我也可以在其他类中制作图像的旋转/翻转副本，以这样扩展数据集，你认为这些会起作用吗？这将被视为数据扩充，因此，我认为它无法弥补这一差距。增强图像并不完全是新图像。从这个意义上说，我认为第一堂课仍然会因为内容的多样性而胜过其他课程。噢，哇，谢谢你，我没听说过这些before@Divith我想如果你在谷歌上搜索“阶级失衡”，你也会遇到其他选择。这个列表一点也不全面。谢谢你提供的链接，不幸的是我不能再投票了！哦，哇，谢谢你，我没听说过这些before@Divith我想如果你在谷歌上搜索“阶级失衡”，你也会遇到其他选择。这个列表一点也不全面。谢谢你提供的链接，不幸的是我不能更新